2.1 pip 与 conda：包管理工具对比

2.1.1 概念：包管理器是什么

在开始写 Python 代码之前，你必然会遇到一个问题：怎么安装那些别人写好的库？

想象你要装修一套房子。你可以自己去木材市场挑木板、去五金店买螺丝、去化工厂买油漆原料自己调配——这就是”从零写代码”。正常人不会这么干，你会直接去宜家买现成的家具，拿回家组装就行。Python 的包（package）就是别人写好的”现成家具”，而包管理器（package manager）就是帮你订货、送货、安装的工具。你只需要说”我要一个 NumPy”，包管理器就自动帮你下载、解压、放到正确的位置、配置好依赖关系。

Python 生态有两个主流的包管理器：pip 和 conda。它们都能装包，但设计哲学完全不同。pip 是 Python 官方自带的”快递员”，只负责送 Python 包。conda 是”全屋定制设计师”，不仅送包，还帮你管理 Python 本身、C 语言底层库、甚至 GPU 驱动——凡是你的 AI 项目依赖的东西，conda 都能管。

这个区别决定了你的选择：纯 Python 项目用 pip 就够了，但一旦涉及数据科学和深度学习，conda 能帮你省下大量折腾环境的时间 ¹。

2.1.2 教学：pip 和 conda 怎么用

pip：Python 官方的”快递员”

pip 随 Python 一起安装，不需要额外操作。打开终端，输入以下命令就能安装任何 PyPI（Python Package Index，Python 的官方包仓库）上的库：

pip install numpy          # 安装 NumPy
pip install pandas matplotlib  # 一次装多个
pip install --upgrade numpy    # 升级 NumPy 到最新版
pip uninstall numpy            # 卸载
pip list                       # 查看已安装的所有包

pip 的工作方式很简单：你去 PyPI 上”下单”，它帮你在当前 Python 环境里”卸货”。但它不管这个”货”和你已有的其他”家具”会不会冲突——比如包 A 要求 NumPy 1.x，包 B 要求 NumPy 2.x，pip 可能两个都装上，最后运行时报错。这叫依赖冲突（dependency conflict），是 pip 最大的软肋。

conda：全屋定制的”设计师”

conda 需要单独安装。推荐安装 Miniconda（精简版，只含 conda 命令行工具），而不是完整的 Anaconda（预装 250+ 库，占用 3GB 空间）。去 https://docs.anaconda.com/miniconda/ 下载安装。

# conda 基础命令
conda create -n myenv python=3.12  # 创建独立环境，指定 Python 版本
conda activate myenv               # 激活环境
conda install numpy pandas         # 安装包
conda install -c conda-forge jupyter  # 从 conda-forge 频道安装
conda list                         # 查看已安装的包
conda deactivate                   # 退出环境

conda 和 pip 最大的技术区别在于依赖解析方式 ²：

• pip 采用递归安装——来一个装一个，装到后面发现冲突已经晚了。
• conda 采用SAT 求解器——把所有的包和它们的版本要求当做一道数学题，在安装之前就算出所有包都能和谐共处的版本组合。如果无解，它会直接告诉你”不可能”，而不是悄悄制造一个会在半夜爆炸的环境。

核心对比表

2.1.3 注意事项：最常见的坑

规则一：不要混用 pip 和 conda 装同一个包。 这是新手最常见的错误。如果你用 conda 装了 NumPy，然后又用 pip 升级了 NumPy，conda 管理的其他依赖（如 SciPy、pandas）可能瞬间崩溃，因为它们依赖的底层 C 库版本对不上了 ³。

正确的混合使用顺序是：先 conda 装底层库，再 pip 装纯 Python 包。

conda create -n myproject python=3.12
conda activate myproject
conda install numpy scipy pandas matplotlib  # conda 装底层库
pip install flask requests                    # pip 装纯 Python 包（放在最后）

规则二：永远不要往 base 环境（conda 默认环境）里装项目依赖。 把 base 当成工具箱，每个项目单独创建一个环境。这就像你不会把全家的衣服都堆在客厅沙发上——一个项目一个”房间”。

规则三：使用 channel_priority strict。 conda 的频道（channel）就像不同的超市。conda-forge 是一个社区维护的大型”超市”，包更新、更全。anaconda 默认频道是”官方超市”，有些包版本较旧。如果你同时从多个频道拿货，conda 的 SAT 求解器会算得很慢。设置严格优先级能大幅加速：

conda config --set channel_priority strict

2.1.4 关联：从包管理到环境管理

理解 pip 和 conda 的区别后，下一步自然的问题是：我怎么管理不同的项目环境？这就是 2.2 节 要解决的问题。简而言之：

• 如果你用 conda，环境管理已经内置了（conda create）。
• 如果你用 pip，需要用 venv（Python 自带）来创建隔离环境。
• 2026 年的新趋势是 uv，一个用 Rust 重写的极速包管理器，同时替代 pip 和 venv，安装速度比 pip 快 10-100 倍。详见 2.2 节对比。

另外，包管理器的选择直接影响你在 2.9 节 中能否顺利跑通第一个 AI 程序。如果包没装对，import requests 直接报 ModuleNotFoundError。

← 上一节：章首 ｜ 下一节：2.2 Python环境管理：venv vs conda vs poetry vs uv →